Análisis, reanálisis, pronóstico, repronóstico, hindcast ¿qué son y cuáles son sus diferencias?

Análisis

El análisis es el resultado de un procedimiento de cálculo que hace compatibles un gran número de observaciones meteorológicas irregularmente espaciadas con un estado atmosférico estimado por el modelo numérico. Este procedimiento, que dará lugar una representación del estado atmosférico (valores del conjunto de parámetros atmosféricos necesarios para especificar el estado) sobre una cuadrícula regular, se conoce como asimilación de datos.

Para obtener un análisis se utilizan un conjunto de herramientas complejas que incluyen: medidas estadísticas tanto de la variabilidad y errores de las observaciones como de la propia atmósfera (por ejemplo, matrices de covarianza), modelos físicos de cómo se comporta la atmósfera (por ejemplo, equilibrio geostrófico e hidrostático) y modelos matemáticos de física (por ejemplo, ecuación de continuidad). Esto requiere la colaboración de equipos de especialistas en predicción numéricos.

Dada la posibilidad de utilizar diferentes metodologías de asimilación así como diferentes datos de entrada, los análisis pueden dar lugar a representaciones ligeramente diferentes del mismo estado atmosférico. Cuál es "mejor” análisis depende del uso que se desee hacer de los datos. La RDA proporciona una variedad de análisis y reanálisis. Los usuarios pueden a probar más de uno y para ajustar los resultados a sus necesidades.

Reanálisis

Los datos de reanálisis proporcionan un registro de variables atmosféricas equiespacido que es representativo de la circulación atmosférica global. A diferencia del análisis de los sistemas de predicción operacional, el reanálisis se elabora con una versión fija del modelo, incluyendo el sistema y metodología de asimilación Por lo tanto, el reanálisis no se ve afectado por los cambios de versiones del modelo o actualizaciones en las metodologías de asimilación ". [Dee et al., 2011]

Predicciones

Los modelos numéricos físicos de predicción del tiempo propagan un estado inicial atmosférico hacia adelante en el tiempo. Este procedimiento permite tener una predicción numérica de la atmósfera equiespaciada, independientemente si la región de interés es rica en observaciones o si los datos están más dispersos. Los modelos son capaces de advectar masas de aire en la dirección prevista del viento. Por el contrario, si el procedimiento para obtener un análisis es del tipo estadístico, como el Kriging o un ajuste gaussiano relajado, puede dar lugar a una propagación que suele ser isotrópica en el espacio. Esto contradice el procedimiento físico, que idealmente, ha de propagar la información de las observaciones teniendo en cuenta la dirección del viento.

Nota Daniel Santos: Actualmente los métodos de asimilación variacionales, especialmente aquellos como el 4DVar son “flow dependent” ya que usan el modelo adjunto y el tangente lineal para propagar la información de forma física y no estadística.

Un buen modelo de predicción numérica ha de ser capaz de hacer evolucionar el estado atmosférico inicial, representado por el análisis, a una predicción que se asemejará a las observaciones futuras . Por ejemplo, si conoce la temperatura, la capacidad calorífica del aire y el flujo de energía en el tiempo t con precisión, entonces se podrá predecir la temperatura en el tiempo t + dt con mayor exactitud.

Dado que se dispone de nuevas observaciones constantemente, el proceso de generación de un nuevo análisis y una nueva predicción a partir del puede realizarse de forma cíclica.

Los modelos numéricos físicos también difunden información de las variables observadas para calcular estimaciones de variables no observadas. Por ejemplo, no es posible cubrir un área amplia con pluviómetros. Sin embargo, los modelos pueden calcular la lluvia orográfica (cuando las masas de aire húmedo se ascienden montaña arriba hasta que la humedad se precipita) teniendo en cuenta mediciones de temperatura, presión, viento y humedad relativa junto con la elevación del terreno y el tipo de suelo, desde una base de datos.

Análisis y predicción

Los análisis y las predicciones proporcionan valores de muchos de los parámetros meteorológicos. Pero hay una diferencia muy importante entre ambos: mientras los análisis representan una instante en el tiempo, las predicciones pueden contener parámetros acumulados, como la lluvia durante un período de tiempo. El análisis FNL (archivos FNL que terminan con _00) comienza "seco", con cero lluvia acumulada. A medida que se ejecuta el modelo de pronóstico GFS, la cantidad de lluvia precipitada de la atmósfera se recolecta y se suma en cada paso de tiempo. El pronóstico GFS (los archivos FNL o GFS que terminan con un número mayor que _00) contendrá campos de lluvia acumulados.

Cualquier cambio en el software, tanto en el modelo de predicción como en los procedimientos de generación de análisis utilizados operacionalmente, puede resultar en señales espurias o diferencias. Los sistemas operacionales cambian con frecuencia su software a medida que se implementan mejoras y metodologías para reducir errores y sesgos. Aunque las nuevas versiones de los sistemas de predicción numérica se anuncian y documentan, resulta difícil detectar los cambios para el usuario no experto. Por lo tanto, los análisis operacionales no son apropiados para generar series temporales largas y estudiar los cambios a lo largo del tiempo. (Nota Daniel: al no ser homogéneos).

Los reanálisis son un tipo especial de análisis realizado con un sistema de predicción fijo. Tanto la asimilación de datos como el software del modelo de predicción están "congelados" durante el periodo en el que se ejecuta el proyecto de reanálisis.

Tanto los análisis como los reanálisis experimentan cambios debido a los cambios en los sistemas de observación (por ejemplo, cuando un nuevo satélite se pone en operación o se desactiva uno antiguo). Los investigadores que utilizan series temporales extraídas de los datos de reanálisis deben tener en cuenta las posibles influencias en los sistemas de observación.

No solo los datos observados vía satélite pueden cambiar, incluso los datos de un observatorio pueden experimentar cambios. Por ejemplo, los datos pueden verse influidos por el crecimientos de una ciudad cercana o se pueden cambiar los instrumentos de medida.

Aunque el reanálisis pueda parecer solo un tipo especial de análisis, hay diferencias Cuando se elaboran los proyectos de generación de reanálisis, y dado su uso prioritario en investigación, a menudo incluyen la lluvia acumulada del modelo de predicción como un campo en el análisis. (El modelo de predicción se utiliza para crear una primera aproximación del estado atmosférico que sirve de punto de partida, junto con las observaciones, del siguiente ciclo de asimilación de datos)

Reforecast/Repronóstico o repredicción

Dado que los cambios en los sistemas de predicción numérica son frecuentes la reejecución del mismo para tiempo pasado permite determinar tanto las mejoras de la nueva versión respecto a lo generado con anterioridad, como los cambios en los valores medios de los parámetros pronosticados por el mismo. Estos valores promedio de los parámetros modelizados son conocidos como climatología del modelo. Idealmente, la climatología del modelo ha de responder de igual modo que el comportamiento climático de la atmósfera.

Hindcast

Los proyectos de reanálisis llevan años de trabajo y un uso masivo de recursos computacionales, tanto de cómputo como de almacenamiento. Los recursos, informáticos son limitados, esto hace que ni la resolución espacial ni la frecuencia de los análisis que componen el reanálisis sea muy alta. Para paliar esto, se puede utilizar un modelo numérico de predicción, normalmente de área limitada, para incrementar la resolución espacio temporal de los datos y añadir información más detallada de los fenómenos atmosféricos. Para ello se utilizan como condiciones iniciales y de contorno los datos del reanálisis. A este procedimiento de incrementar la resolución de forma dinámica con un modelo se le conoce con el nombre de hindcast.

Agradecimiento a Dr. Daniel Santos Muñoz, UCM Associate Research Scientist y AEMET Research Scientist

Para más información:

Dee, D. P., S. M. Uppala, A. J. Simmons, P. Berrisford, P. Poli, S. Kobayashi, U. Andrae et al. (2011). The ERA-­‐Interim reanalysis: Configuration and performance of the data assimilation system. Quarterly Journal of the Royal Meteorological Society, 137(656), 553-­‐597, doi: 10.1002/qj.828.

Fuente del origen de documento: http://rda.ucar.edu/datasets/d...

Autor: Grace Peng, PhD, Atmospheric & Geoscience Research Data Archive Computational & Information Systems Laboratory National Center for Atmospheric Research